▲ 2000년대 초반부터 현재까지 HDR 이미지 센서의 개발 타임라인

사진의 동적 범위(Dynamic Range)를 향상시키기 위한 노력

▲ HDR을 적용한 사진 vs 미적용한 사진

최근 스마트폰 카메라 센서의 기능과 구성은 DSLR 카메라에 버금가는 수준이다. 그러나 DSLR 카메라는 3~4μm(마이크로미터)의 픽셀 크기와 14bit 이상의 ADC(Analog-to-Digital Converter)*를 갖추고 있지만, 스마트폰 카메라는 스마트폰 크기의 제약으로 일반적으로 약 1μm의 픽셀 크기와 10bit ADC로 구성되어 있다. 이에 따라 저조도 환경에서의 이미지 품질과 동적 범위(Dynamic Range, DR) 측면에서 현재 스마트폰은 DSLR에 뒤처지고 있으며, CIS* 산업은 이를 개선하기 위해 노력 중이다.

동적 범위는 FWC(Full Well Capacity)*와 TN(Temporal Noise)*의 비율로 정의되며, FWC를 높이거나 TN을 낮추는 방법으로 동적 범위를 향상할 수 있다. 그러나 이러한 방법은 픽셀 구조와 회로 개선 등 고도의 기술이 필요하기 때문에, 다양한 가격대의 스마트폰에 모두 적용하기에는 한계가 있다.

▲ 동적 범위를 구하는 방정

하지만 SK하이닉스는 스마트폰의 픽셀 구조와 ADC를 유지한 채 ISP* 하드웨어 로직을 추가하여 동적 범위를 개선하는 방식으로 HDR 기술을 구현하고 있다. 이를 통해 스마트폰 가격과 무관하게 스마트폰에서 HDR 기능을 경험할 수 있도록 지원한다.

QHDR에서 DAG & iDCG HDR까지 – SK하이닉스 HDR 기술 개발의 역사

SK하이닉스의 HDR 기술은 2017년 QHDR 개발 이후 눈부신 발전을 이뤄냈다.

▲ 다양한 HDR 기술의 장단점을 보여주는 표

QHDR(2017년 개발)

QHDR(Quad-Sensor HDR)은 Quad CFA(Color Filter Array)*를 활용한 다중 노출 시간 기반의 HDR 기술이다. Quad CFA에 픽셀별 노출 시간을 패터닝한 단일 프레임 영상을 촬영하여, 이를 합성하여 동적 범위를 확장하는 방식이다. Quad CFA 기술이 발전하면서 고해상도 센서의 경쟁력을 높이기 위해 HDR 기능을 센서에 통합했고, 이를 통해QHDR이 개발되었다. 그리고 QHDR의 합성 방식과 톤 매핑(Tone Mapping) 프로세스와 같은 기능을 센서에서 지원한다.

▲ 센서 내 QHDR 블록의 개념도

sHDR(2018년 개발)

QHDR은 센서에 HDR 기술을 통합하여 구현했기 때문에 센서 자체에 상당한 하드웨어 리소스가 필요하다. 하지만 sHDR은 센서와 AP(Application Processor)*가 함께 동작해 품질과 동적 범위를 최적화하는 기술이다.

sHDR은 센서가 다양한 노출 시간으로 여러 이미지를 촬영해 AP로 전송하면 AP가 이를 합성하고 톤 매핑하여 HDR 이미지를 구현한다. 이때 센서는 여러 이미지를 빠르게 AP로 전송할 수 있어야 한다.

▲ sHDR에서 센서와 AP의 역할

iDCG-HDR(2021~2022년 개발)

QHDR과 sHDR은 여러 노출 시간으로 이미지를 촬영하기 때문에 움직이는 피사체를 촬영할 때 이미지의 왜곡(Motion Artifacts*)이 발생할 수 있다. SK하이닉스는 이 문제를 해결하기 위해 iDCG-HDR 기술을 개발했다.

DCG(Dual Conversion Gain)는 센서가 동일한 빛을 받아도 출력 밝기를 조절할 수 있는 혁신적인 기술이다. iDCG-HDR은 한 번의 노출 동안 다른 밝기로 촬영된 HCG(High Conversion Gain) 이미지와 LCG(Low Conversion Gain) 이미지를 하나로 합쳐 HDR을 구현한다.

센서는 두 프레임의 이미지를 합성하는 ISP를 지원하며, DCG 비율이 1:4인 경우 약 12dB의 동적 범위를 제공한다.

▲ iDCG-HDR 블록의 개념도

DAG-HDR(2023년 개발)

iDCG-HDR은 QHDR과 sHDR보다는 이미지의 왜곡을 줄이지만, 물리적으로 고정된 CG(Conversion Gain)*를 사용하기 때문에 다양한 촬영 조건에서 동적 범위 개선에 제약이 있다. 또한 CG를 제어하기 위해 트랜지스터를 추가해야 하므로 제조 비용이 많이 드는 단점이 있다.

DAG-HDR 기술은 서로 다른 AG(Analog Gain)*로 촬영한 두 장의 사진을 합성하여 HDR을 구현한다. 비록 최대 동적 범위는 iDCG-HDR보다 낮지만, 필요에 따라 조정할 수 있어 저가형 스마트폰에서도 HDR를 구현할 수 있다.

DAG & iDCG HDR(2023년 개발)

DAG & iDCG HDR 기술은 DAG-HDR과 iDCG-HDR의 장점을 결합한 방식이다. 단일 노출 시간을 기반으로 한 HDR 기술로 사용자의 다양한 촬영 조건에도 이미지 왜곡을 최소화하고 동적 범위를 유연하게 늘릴 수 있다.

이 기술은 CG 비율이 1:4이고 AG가 16x일 때, 최대 36dB까지 동적 범위를 향상시킬 수 있다.

▲ DAG & iDCG HDR 블록의 개념도

앞으로 SK하이닉스는 다양한 촬영 조건에서 사진의 동적 범위를 향상하면서 이미지의 왜곡을 최소화하는 DAG & iDCG HDR 개발에 집중, CIS 기술을 고도화하여 모든 스마트폰 사용자가 HDR의 잠재력을 경험할 수 있도록 최선의 노력을 다할 것이다.

반도체를 이해하기 위해서는 산업과 시스템 전체를 바라볼 필요가 있다. 뉴스룸은 지난 20년간 반도체 소자를 연구하고 있는 인하대학교 신소재공학과 최리노 교수를 통해 반도체 시스템과 소자의 관계 및 발전사를 소개한다. 총 7편으로 구성된 이번 시리즈는 반도체의 개념과 앞으로의 발전 방향을 이해하는 데 많은 도움이 될 것이다.
 
이 칼럼 시리즈는 『최리노의 한 권으로 끝내는 반도체 이야기』의 일부를 발췌하여 정리했다. 이 책은 반도체 역사부터 시스템과 소자의 발전까지 폭넓게 다루며 반도체 산업 및 시스템 전반을 소개하고 있다.

반도체는 부품이다. 부품은 그 자체로 쓰이지 못하고 어떤 제품(시스템 혹은 세트) 내에서 사용된다. 시스템이 추구하는 바가 그 부품인 반도체의 탄생과 발전을 가져왔고, 앞으로 나올 새로운 시스템은 반도체의 변화를 요구하고 있다. 본 연재에서는 반도체를 시스템과 연결해 설명하며 과거와 미래, 앞으로의 발전 방향에 관해 7편에 걸쳐 이야기하고자 한다. (필자 주)

컴퓨터를 만들기 위해 제안된 폰노이만 구조(아키텍처)는 ▲연산과 제어를 담당하는 로직 회로와 ▲데이터와 소프트웨어를 저장하는 메모리로 나뉜다. 1945년 제안된 이 구조로 컴퓨터를 만들기 위해서는 데이터나 소프트웨어를 저장했다가 로직 회로 CPU에 돌려줄 메모리는 단독으로 만들어져야 했다.

지난 편 로직 회로를 살펴본 것에 이어 이번 연재에서는 메모리 반도체의 발전사를 들여다보도록 하겠다.

수은과 자성체’에 데이터 담다, 반도체 소자 이전의 시대

메모리는 정보를 2진수로 바꾸어 0과 1의 상태로 기록해 보관하는 저장 장치다. 두 가지(0 혹은 1) 명확한 상태를 안정적으로 가질 수 있다면 무엇이든 메모리가 될 수 있다. 물의 높낮이, 주판알의 위치 등도 일종의 메모리다. 메모리는 두 가지 안정된 상태를 전기(電氣)적으로 기록하고(Write), 읽을(Read) 수 있어야 한다. 또 필요 없어진 데이터를 지워서(Erase) 다시 사용할 수 있게 만든다면 더욱 좋을 것이다.

많은 사람이 메모리를 이야기하면 반도체 칩을 생각한다. 그러나 폰노이만 구조가 제안된 1945년은 반도체 소자가 발명되기 전이었다. 로직 회로에서 반도체 소자 이전에 진공관 소자를 사용했듯 메모리에도 반도체 소자가 아닌 다른 소자가 사용됐다. 폰노이만 구조의 초창기 컴퓨터였던 EDSAC(1949년)과 EDVAC(1951년)은 ‘수은 지연 메모리(Mercury Delay Line Memory)’를 사용했다.

▲ 수은 지연 메모리(Mercury Delay Line Memory) 실물 이미지(출처. Wikipedia)

이 메모리는 수은으로 채워진 튜브로 만들어졌다. 튜브의 한끝에 전기 신호를 소리 파장으로 만들 수 있는 변환기(Transducer)를 달아 놓았다. 이것으로 소리 파장을 만들어 수은 안으로 보내는 것이다. 반대쪽 출력 단에도 변환기가 달려 있었다. 그래서 소리 파장이 이곳에 도달하면 파장을 다시 전기 신호로 바꾼다. 이를 다시 입력 단에 넣어주어 계속 회전하는 방식으로 데이터를 저장하는 것이다. 수은 속에서 다른 파형을 가진 일정량의 파장들이 계속 돌고 있는 튜브라고 생각하면 된다. EDSAC과 EDVAC은 각각 512단어와 1,000단어를 기억하는 메모리를 갖고 있었다.

이외에 자성 물질을 이용한 메모리도 사용됐다. ‘자기 드럼 메모리(Magnetic Drum Memory)’는 원통형 드럼에 자기적인 표면을 가진 구조였다. 이 드럼은 고속으로 회전하며 표면에 자기 트랙을 형성했다. 자기적 펄스를 이용해 자기 드럼의 특정 위치를 자화시켜 데이터를 저장했다. 읽을 때는 반대로 그 위치의 자기 신호를 읽어 복원하는 형태였다. 이 메모리는 회전해야 하므로 실행 시간이 길었으며 기계적인 요인으로 소음과 고장이 발생하는 단점이 있었다.

▲ 자기 코어 메모리(Magnetic Core Memory) 실물 이미지(출처. Wikipedia)

이러한 메모리들은 1951년 실용화된 자기 코어 메모리(Magnetic Core Memory)에 밀려 사라지게 된다. 중국계 미국인 안왕(An Wang)은 작은 페라이트(Ferrite)* 자성체로 된 고리에 케이블이 통과하는 모양의 격자 구조를 만들어 메모리로 사용할 수 있게 했다. 이는 데이터 비트를 저장하기 위해 사용되는 행과 열의 격자 구조로 이루어졌는데, 그림과 같이 전기 케이블이 마치 씨줄 · 날줄처럼 엮인 격자의 교차점에 ‘코어’라 불리는 작은 자성 재료를 배치했다. 전기 케이블에 전류를 흘려 자기 유도를 발생시키고, 코어의 자기장을 통해 데이터를 저장했다.

자세히 이야기하자면, 선택된 코어에 전류를 흘려 특정한 방향으로 자기장을 생성해 상태를 변경한다. 이러한 방식으로 코어의 자기장 상태를 변경해 ‘1’ 또는 ‘0’을 표현한다. 데이터를 읽기 위해서는 선택된 코어 주위에 전류를 흘려 현재의 자기장 상태를 감지한다.

자기 코어 메모리는 초기 형태의 램(Random Access Memory, RAM)이라 할 수 있다. 셀의 전압 정보를 읽어오는 데 위치와 관계없이 동일한 시간이 소요됐다.

자기 코어 메모리의 다른 특징은 전기를 차단해도 데이터가 날아가지 않는 비휘발성(Non-Volatile) 메모리였다. 또한, 내구성이 뛰어나고 소비 전력이 적었으며, 자성체 고리 코어를 많이 만들어 넣을수록 용량을 높일 수 있다는 장점이 있었다. 현재의 메모리 반도체와 같이 미세화(스케일링)를 통한 용량 증대도 가능했다. 작고 용량이 커지면 비싸게 팔리므로, 사람들은 자성체 고리를 매우 작게 만들고 많은 수를 집어넣어 용량을 높이려고 노력했다. 이러한 특징으로 자기 코어 메모리는 반도체 소자 메모리가 발명된 이후에도 1970년대까지 가격 경쟁력에서 앞서며 가장 보편적인 메모리로 사용되었다.

반도체 소자 ‘트랜지스터’가 불러온 변화, 캐시 메모리 S램(SRAM)의 탄생

반도체 소자를 사용한 메모리는 1961년 텍사스 인스트루먼츠(Texas Instruments, TI)에서 처음 개발되었다. 냉전 시대였던 1960년대는 군수 산업과 우주 산업이 기술 발전을 이끌고 있었다. 일반 전자 시장에서 팔 수 없을 정도로 가격이 비싼 제품도 기꺼이 구매해 주었으므로 기술의 급격한 발전이 이루어질 수 있었다.

TI는 미 공군에서 사용할 안정된 메모리를 만들기 위해 반도체 소자로 메모리를 개발했다. 이때의 메모리는 바이폴라 접합 트랜지스터(Bipolar Junction Transistor, BJT)를 사용했는데[관련기사], 집적회로 형태로 만들어진 것은 아니었다.

당시 메모리 반도체는 집적회로가 아니었으므로 크기를 작게 하는 데 어려움이 있었고, 또 휘발성(Volatile) 메모리로 비휘발성 제품인 기존 자기 코어 메모리 대비 장점이 없었다. 그래서 처음에는 크게 주목받지 못하다가 집적회로(IC, Integrated Circuit)가 발명되고 소자 미세화가 가능해지면서 다시 주목받았다. 1970년대에 들어서면서 메모리 반도체는 소자 미세화로 고집적화가 이뤄졌고, 가격 경쟁력에서 자기 코어 메모리를 앞서게 된다. 이후는 알다시피 메모리 대부분을 반도체 소자를 이용해 만들게 된다.

1960년 벨 연구소 강대원 박사가 발명한 MOSFET(Metal Oxide Semiconductor Field Effect Transistor)은 로직 반도체에만 변화를 준 것은 아니다. 이 MOSFET을 사용한 메모리 반도체도 출현했다. 1964년 페어차일드반도체사(Fairchild Semiconductor Inc.)의 존 슈미트(John Schmidt)는 MOSFET 소자로 이루어진 메모리를 처음으로 만든다. 이 메모리는 S램(Static Random Access Memory, SRAM)이었다. S램의 정보 1비트(bit)를 저장하는 최소 단위 셀은 두 개의 인버터 입력과 출력이 서로 연결된 형태로 만들어진다. 인버터는 지난 글에서 소개했듯 0과 1의 신호를 거꾸로 나오게 하는 회로다.

S램의 작동 원리는 다음과 같다. 위 그림 [작동 원리]에서 가 0이면 [인버터1]에 의해 Q는 1이 된다. 그러면 [인버터2]에 의해 는 다시 0이 되어 순환한다. 만약 왼쪽 가 1이면 [인버터1]에 의해 Q는 0이 된다. 그러면 [인버터2]에 의해 는 다시 1이 되어 순환하게 된다. 그렇게 Q가 0이 되는 상태와 1이 되는 상태의 두 가지 안정된 상태를 가질 수 있게 되어 메모리 셀로 사용할 수 있는 것이다.

[단위 셀 구조] 그림에서 셀을 읽을 수 있도록 열어주는 Word Line(M5, M6의 게이트에 연결된 WL)이 선택되면 Bit Line(BL)을 통해 셀에 정보를 쓰거나 읽을 수 있게 되는 것이다. S램은 기본적으로 많은 수의 스위치 소자를 쓸 수밖에 없었다. CMOS로 구현할 경우는 두 개의 인버터를 만드는 데 각각 두 개의 nMOSFET, pMOSFET이 필요하다. 그리고 입구를 막아주는 두 개의 nMOSFET을 합하여 총 여섯 개의 MOSFET이 하나의 단위 셀을 만드는 데 필요했다.

전기적으로 전달되는 신호이므로 메모리를 읽고 쓰는 속도는 전자의 속도만큼 매우 빠르다. 또한, MOSFET으로만 이루어지므로 CMOS 기술로 로직 CPU를 만들면서 다른 공정 없이 동시에 만들 수 있다. 이러한 장점에도 불구하고 S램은 주메모리로 사용되지 않았다. 치명적인 약점이 있기 때문이다. S램의 경우 한 개의 Bit Cell을 만들기 위해 6개의 MOSFET이 필요한데, 이렇게 많은 스위치 소자는 넓은 면적이 필요하다.

또, 인버터를 사용하는 특성상 nMOSFET과 pMOSFET의 문턱전압(Threshold Voltage)* 아래에서 흐르는 작은 전류(Sub Threshold Current)가 Power로부터 두 MOSFET을 거쳐 Ground로 흐른다. 이 때문에 전력 소모가 발생하는데 이로 인해 고정 전력 소실(Static Power Dissipation)이 생긴다. 이 전력 소모는 칩의 온도가 올라갈수록 더욱 커진다. 이러한 면적과 전력 소모의 약점 때문에 S램은 작은 용량이지만 더 빠르게 읽고 쓰기가 필요한 레지스터 파일(Register File)이나 캐시 메모리(Cache)로 한정되어 사용되고 있다.

데이터를 담는 그릇 ‘캐퍼시터’의 등장, 그리고 주메모리 D램(DRAM)의 탄생

주메모리로 사용하기 위해 면적을 줄이고 개발된 제품이 D램(Dynamic RAM, DRAM)이다.

캐퍼시터(Capacitor)에 전하가 채워져 있는지 비어 있는지, 두 상태를 이용해 정보를 저장하는 D램은 그림 왼쪽처럼 한 개의 캐퍼시터와 한 개의 트랜지스터로 단위 셀을 구성한다. 캐퍼시터에 저장된 전하는 차츰 새어나가서 저장된 정보가 없어지는 단점이 있다. 그래서 주기적으로 전하를 보충해 정보가 없어지지 않도록 다시 저장을 해주어야 한다. 이러한 동작을 리프레시(Refresh)라고 한다. S램이나 D램 모두 휘발성 메모리다. 그러나 전기가 들어와 있는 동안은 계속 정보를 유지하고 있는 S램과는 다르게 D램은 계속 주기적으로 리프레시 해주지 않으면 정보가 사라진다. 그래서 다이내믹(Dynamic)이라는 수식어가 붙었다.

이 D램의 특허는 소자 미세화 법칙인 ‘데나드(Dennard)의 법칙’을 만든 IBM의 로버트 데나드(Robert Dennard)에 의해서 1966년 출원됐다. D램은 S램에 비해서 정보를 쓰고 읽는 데 약간 느리지만, 훨씬 단순한 구조여서 같은 면적에 많은 셀을 집어넣을 수 있었다. 이러한 집적도의 장점으로 현재까지도 가장 중요한 메모리로 사용되고 있다.

S램이 주로 캐시로 사용되는 데 반해 D램은 별도의 위치에서 CPU와 통신하는 주메모리 역할을 한다. 빠른 컴퓨터에 대한 요구는 CPU의 속도 증대뿐만 아니라 주메모리 용량의 증대도 요구된다.

메모리 용랑 증대는 온전히 소자 미세화에 의존했다. 반도체 집적 공정 기술의 발전은 놀라울 만큼 엄청난 속도로 메모리 용량을 증대시켰다. D램 역시 셀당 면적을 지속해서 줄이며 용량을 키워갔다. 그러나 셀 면적의 감소는 캐퍼시터의 용량 감소를 동반한다. 물통이 작아지면 그 안에 물이 있는지 없는지를 알기 힘든 것과 같이 캐퍼시터 용량은 일정 수준 이상으로 커야 한다.

이러한 모순은 점점 커졌고, 1980년대 4M D램을 개발하면서 이를 해결하기 위해 3차원 형태로 캐퍼시터 면적을 넓히는 아이디어가 제시된다. 땅을 파고 들어가는 트렌치(Trench)형 구조와 탑을 쌓는 스택(Stack)형 구조가 그것이다. 많은 D램 기업은 두 아이디어 중 하나를 선택해 개발했고 결국 승자는 추후 스케일링과 불량 검증에 유리한 스택형 구조로 발전했다.

데이터를 붙잡는 Floating Gate의 발견과 비휘발성 플래시 메모리의 탄생

강대원 박사가 이룬 또 하나의 업적인 Floating Gate(이하 플로팅 게이트)* MOSFET도 메모리로 시장에 나온다. 1967년 사이먼 지(Simon M. Sze) 박사와 함께 발명한 플로팅 게이트 MOSFET은 MOSFET 구조에 금속 전극층(Floating Gate)을 한 겹 더 삽입해 넣은 형태다.

위쪽 컨트롤 게이트에 높은 전압을 가하면 채널에 모인 전하 캐리어가 아래쪽 산화막을 뚫고 들어와 플로팅 게이트에 저장된다. 플로팅 게이트에 모인 전하 캐리어의 양에 따라 트랜지스터가 켜지고 꺼지는 기준인 문턱전압이 변한다. 플로팅 게이트에 저장된 전하 캐리어는 전기를 꺼도 산화막의 에너지 베리어(Energy Barrier) 때문에 채널로 돌아가지 못하고 머물러 있으므로 전기가 없는 상태로도 정보를 저장하는 비휘발성(Non-Volatile) 메모리가 되는 것이다.

플로팅 게이트 MOSFET은 EPROM(Erasable Programmable Read-Only Memory)이나 EEPROM(Electrically Erasable Programmable Read-Only Memory) 등과 같이 컴퓨터가 꺼졌을 때도 데이터를 저장하는 매체로 처음 사용되었다. 1980년 일본 도시바에서 이 소자를 응용해 플래시 메모리(Flash Memory)라는 제품을 출시하며 커다란 시장을 형성하게 된다. 이는 같은 셀에 여러 차례 정보를 저장했다가 지웠다 할 수 있는 제품이었다.

플래시 메모리는 읽고 쓰는 데 시간이 오래 걸리는 느린 메모리다. 그러나 비휘발성이면서 MOSFET과 동일하게 생겨 소자 미세화에 가장 유리하여, 매우 싸게 큰 용량을 만들 수 있다는 장점이 있다. 이 플래시 메모리는 2000년대 휴대폰, 디지털카메라 등 다양한 모바일 기기가 나오면서 폭발적인 수요가 생긴다. 요즘은 컴퓨터의 하드디스크 드라이브 대신 사용하는 SSD(Solid State Drive), 이동식 USB 드라이브, SD 카드 등 다양한 곳에 사용되고 있다.

하지만 싼 가격으로 용량을 크게 늘리는 것이 장점인 플래시 메모리는 가장 빠르게 미세화의 한계에 도달하게 된다. 크기가 작아지면서 소자 간의 간섭이 심해진 것이다. 또, 지속하여 미세화하기 위해선 포토 공정의 EUV(Extreme Ultraviolet)* 같은 기술이 적용해야 하고 이 장비는 매우 높은 비용이 요구된다. 이는 가격을 가장 큰 경쟁력으로 삼고 있는 플래시 메모리의 선택지에는 없었다.

그래서 선택한 것이 트랜지스터를 3차원으로 쌓아 올리는 것이었다. 3D 낸드 플래시(NAND Flash)는 현재 200단 이상 적층되며 용량이 늘었고, D램과 함께 메모리 시장의 양대 산맥 중 하나로 중요한 부분을 차지하는 제품이 되었다.

한편, D램과 마찬가지로 현재 플래시 메모리 역시 우리나라 기업이 시장 점유율 절반 이상을 차지하고 있을 만큼 시장을 선도하고 있다. 플로팅 게이트 MOSFET을 계승한 기술, 즉 질화물(Nitride)층을 이용한 차지 트랩 플래시(Charge Trapped Flash, CTF) 메모리* 기술을 비롯해 3D 낸드 기술도 국내에서 최초로 상용화하는 등 플래시 메모리는 우리나라와 인연이 깊은 제품이다.

지금까지 메모리 반도체의 시작부터 현재까지 발전 과정을 살펴봤다. 다음 연재에서는 새로운 메모리의 등장 가능성을 짚어보도록 하겠다.

※ 본 칼럼은 반도체에 관한 인사이트를 제공하는 외부 전문가 칼럼으로, SK하이닉스의 공식 입장과는 다를 수 있습니다.

이 칼럼 시리즈는 『최리노의 한 권으로 끝내는 반도체 이야기』의 일부를 발췌하여 정리했다. 이 책은 반도체 역사부터 시스템과 소자의 발전까지 폭넓게 다루며 반도체 산업 및 시스템 전반을 소개하고 있다.

반도체는 부품이다. 부품은 그 자체로 쓰이지 못하고 어떤 제품(세트 또는 시스템) 내에서 사용된다. 그 제품이 추구하는 바는 반도체의 탄생과 발전을 가져왔고, 앞으로 나올 새로운 제품은 반도체의 성장과 변화를 요구하고 있다. 본 연재에서는 반도체를 시스템과 연결해 설명하며 과거와 현재, 미래의 발전 방향에 관해 7편에 걸쳐 이야기하고자 한다. (필자 주)

지난 편[관련기사]에서 반도체는 폰노이만 구조 기반 시스템에 쓰이는 부품으로 활용도가 생기며 엄청난 발전을 이뤘다고 이야기한 바 있다. 이후 연산과 제어를 담당하는 로직(Logic, 논리) 회로와 데이터 등 정보를 저장하는 메모리(Memory)로 나뉘게 되었고, 로직 회로는 스위치를 가지고 0과 1로 된 논리 함수 ‘부울대수*’를 푸는 것이란 이야기를 하기도 했다.

이번 편에서는 로직과 메모리에 관해 조금 더 자세히 들여다보고자 한다. 이들 반도체가 어떠한 형태로 발전했고, 어떤 변화를 가져왔는지 살펴보자.

* 부울대수 : 수치로서 0과 1을 표현하는 것이 아닌 논리 회로 이진 값으로 연산을 대신 하는 수

로직 회로는 어떻게 만들어질까?

먼저 로직 회로가 어떻게 만들어지는지 알아보고, 다음으로 이 회로를 구현하는 소자 스위치가 어떻게 발전했는지 차근차근 살펴보도록 하겠다. 우선 로직 회로의 설계 과정을 설명하자면, 아래와 같다.

① 입력(Input)과 출력(Output)을 정한다
② 진리표를 만든다
③ 이 진리표가 가능하도록 부울대수로 표현한다
④ 회로로 구성한다

예를 들어 숫자의 덧셈을 푸는 회로를 만들어 본다고 하자. 전기를 사용하는 전자 회로는 전기가 들어왔을 때와 안 들어왔을 때, 이렇게 두 가지 상태가 가장 명확하므로 2진법이 적합하다. 전압이 높을 때를 1, 낮을 때를 0으로 해서 구성하는 것이다.

▲ 1+1은 0이 되며 1이 윗자리 덧셈으로 올라간다. 1+1+1은 1이 되고 1이 윗자리 덧셈으로 올라간다.

이제 5와 7의 2진법 덧셈을 해보자. 5는 2진법으로 101이고, 7은 2진법으로 111이며, 이 둘의 합은 1100이다. 2진수 1100은 10진수 12이다.

이를 전자 장치로 계산하기 위해선 각 자릿수의 덧셈을 해주는 회로(가산기)를 구성해 직렬로 연결하면 된다. 이로써 많은 자릿수의 덧셈이 가능한 것이다. 다음으로 진리표*를 작성하고 AND, OR, NOT 등 논리 연산자*를 활용해 부울대수로 표현하면 전기적으로 푸는 로직 회로를 구성할 수 있다.

* 진리표 : 명제의 값이 참과 거짓인지 나타내는 진릿값을 연산할 때 각 명제 변수의 진릿값에 따라 출력(Out)되는 진릿값을 표로 나타낸 것. 예컨대 a(1)와 b(1)를 더하면 Out은 0이 되고, 1이 받아올림으로 올라가는 등의 값을 표로 그린 것
* 논리 연산자
논리부정(NOT, 상단 -) : 1 입력 시 0으로 출력, 0 입력 시 1로 출력
논리곱(AND, •) : 모든 입력이 1일 경우 출력이 1
논리합(OR, +) : 입력값 중 하나의 1이 있을 경우 출력도 1
배타적 논리합(XOR, eXclusive OR) : 두 명제가 같지 않을 때(1과 0)는 참(1) 값을 출력하고, 두 명제가 같을 때(0과 0, 1과 1)는 거짓(0) 값을 출력

로직 회로의 간단한 예로 AND의 경우 아래와 같이 스위치를 직렬로 연결하면 된다. A와 B가 모두 1(전기적으로 스위치를 켬)이 되면 Output도 1(전기가 흐름)이 된다. 두 스위치를 병렬로 연결하면 A와 B 중 어느 하나만 1이 되어도 Output이 1이 되는 OR가 된다.

이처럼 AND, OR, NOT, XOR 등 논리 연산자를 스위치로 구성하는 방법은 한 가지만 있는 것은 아니다. 여러 가지 다양한 구성 방법으로 가능하다.

로직 회로를 구현하는 반도체 소자, MOSFET의 탄생

이제부터는 위와 같은 스위치를 구현하는 반도체 소자가 어떻게 발전했는지 알아보도록 하자.

처음 사용되었던 진공관 소자 스위치는 차츰 반도체 소자로 대체됐다. 이에 따라 부피도 훨씬 작아지고 전기도 덜 먹으며 빠른 처리가 가능한 로직 회로를 만들 수 있게 됐다. 또 집적회로(IC)가 만들어지며 완전히 새로운 시대로 바뀌었다. 비교할 수 없을 만큼 많은 스위치를 상상도 할 수 없이 작은 공간에 넣을 수 있게 된 것이다. 이러한 소자 미세화는 소자 밀도를 높이는 것뿐 아니라 훨씬 빠른 스위치를 만들 수 있게 해줬다.

처음 스위치로 쓰인 반도체 소자는 바이폴라 접합 트랜지스터(BJT, Bipolar Junction Transistor)*다. 1948년 처음 만들어진 BJT는 다수 캐리어(Majority Carrier)*가 전자인 n형 반도체와 다수 캐리어가 정공(Hole)*인 p형 반도체를 직렬로 연결하여, 이미터(Emitter)-베이스(Base)-컬렉터(Collector)*를 n형-p형-n형(npn)으로 구성하거나 p형-n형-p형(pnp)으로 만든 트랜지스터였다.

* 바이폴라 접합 트랜지스터(BJT, Bipolar Junction Transistor) : 3개의 불순물 반도체를 접합하여 전류의 흐름을 조정, 스위치 및 전류 값을 증폭시키는 소자
* 다수 캐리어(Majority Carrier) : 주로 전기를 나르는 전하 캐리어
* 정공(Hole) : 절연체나 반도체에서의 가전자대(채워진 전자대) 속의 전자가 빠져 있는 상태
* 이미터(Emitter)-베이스(Base)-컬렉터(Collector) : 입력 신호를 받는 전극의 한쪽을 이미터, 회로에서 출력되는 출력 신호를 수신하는 전극을 컬렉터, 이미터와 컬렉터 사이를 베이스라고 부름

이 BJT 소자는 기본적으로 전류를 제어해 스위칭한다. BJT는 높은 증폭 능력을 갖고 있고 노이즈가 적다. 하지만 전력 소모가 큰 단점이 있었다. 인류는 이 BJT를 이용해 로직 소자를 처음 구성했고, 1958년 잭 킬비(Jack Kilby)가 개발한 최초의 집적회로(Integrated Circuit, IC), 1969년 아폴로 11호가 달 착륙을 할 수 있도록 한 아폴로 가이던스 컴퓨터(Apollo Guidance Computer)에도 모두 BJT가 활용됐다.

그러나 로직 칩의 전성시대는 이 BJT가 아닌 벨 연구소(Bell Lab) 두 연구자*의 모스펫(MOSFET)*이 나오면서 열리게 됐다. MOSFET 시대가 열린 것은 기존 소자의 전력 소모 문제 때문이었다. 소자의 집적도가 높아지면 높아질수록 BJT를 이용한 TTL(Transistor-Transistor Logic, 로직을 스위치로 구성하는 방법 중 하나) 칩의 전력 소모는 감당하기 힘든 수준으로 높아졌다.

* 대한민국 출신 강대원 박사와 마틴 아탈라(Martin Mohammed John Atalla) 박사
* 모스펫(MOSFET) : Metal, Oxide, Semiconductor로 금속 산화막 반도체 구조를 통해 전기가 있는 영역인 전계(Field)의 효과(Effect)를 활용한 트랜지스터

▲ 데이터 출처. ELECTRONICS-COOLING.COM

MOSFET은 출력 전류를 게이트의 입력 전압으로 제어하는 전압 제어 소자다. 전압만으로 채널의 전도율을 바꾸므로 이론적으로는 전류가 흐르지 않는다. 또 전류가 흐르더라도 채널의 표면에만 흐른다. BJT와 비교해 증폭 능력이 떨어지므로 전류가 적게 흘러서 처음 나왔을 때는 크게 사용되지 못했다.

그러나 이 낮은 전류로 인한 적은 표면 소비 전력과 높은 속도로 동작할 수 있는 장점 덕분에 소자 미세화를 구현하게 되어 집적회로 시대의 주인공이 될 수 있었다.

MOSFET에서 발전한 CMOS, 그리고 CMOS가 대표 반도체 기술된 이유

이렇게 주목받기 시작한 MOSFET은 특히 1963년 2월 페어차일드 반도체사(Fairchild Semiconductor Inc.)의 치탕 사(Chih−Tang Sah)와 프랭크 완래스(Frank Wanlass)가 처음 소개한 씨모스(CMOS)* 기술이 나오며 꽃을 피우게 된다. CMOS 기술은 현재까지도 로직 소자를 만드는 가장 보편적인 기술로 사용되며 반도체 만드는 기술의 대명사로 불리고 있다.

* 씨모스(CMOS) : Complementary Metal-Oxide Semiconductor, 금속 산화물 반도체로 구성된 트랜지스터

CMOS는 Complementary MOSFET의 약자다. Complementary는 ‘상호 보완’, ‘보상’이란 뜻으로 두 가지 종류가 보완적으로 쓰인다는 의미다. 첫 번째는 전자를 전하 캐리어로 하는 nMOSFET이고, 두 번째는 정공(Hole)을 전하 캐리어로 하는 pMOSFET인데 이를 같이 쓰기에 CMOS로 불린다.

우선 nMOSFET은 p형 반도체를 채널로 하여 만들어진다. 금속 게이트에 양(+)전압을 가해서 채널에 전자가 오도록 만들어야 켜지는 스위치다. 반대로 pMOSFET의 경우는 채널이 n형 반도체이므로 전류가 흐르게 하기 위해서는 금속 게이트에 음(-)전압을 가해서 채널에 정공(Hole)이 오도록 만들어야 한다. nMOSFET과 pMOSFET은 완전히 대칭적으로 작동하는 것이다.

CMOS로 로직 회로를 구성하면 두 MOSFET의 금속 게이트 전극에 똑같이 0V를 주었을 때, nMOSFET은 꺼지고 pMOSFET은 켜진다. 금속 게이트에 전압을 가해주면 반대로 nMOSFET은 켜지고 pMOSFET은 꺼진다. 이처럼 대칭적으로 상호 보완하며 움직이는 nMOSFET과 pMOSFET 두 종류의 스위치로 논리 연산하는 회로를 구성하는 것을 CMOS 기술이라고 부른다.

CMOS로 만든 부울대수 연산자의 예를 보자. nMOSFET과 pMOSFET 두 스위치를 직렬로 연결한 회로를 보자. In 단자에 1이 들어가면(전압이 걸리면) 위에 있는 pMOSFET은 꺼지고 아래의 nMOSFET은 켜진다. 그러면 Out 단자는 아래의 접지와 연결이 되어서 전압이 0이 되므로 0이라는 신호가 나오게 된다. 반대로 In 단자에 0이 들어가면(전압이 걸지 않으면) pMOSFET는 켜지고 nMOSFET는 꺼지면서 Out 단자는 전압이 높은 V_DD 선과 연결된다. 그래서 높은 전압이 되므로 1이라는 신호가 나오게 된다. 이렇게 0이 들어가면 1이 나오고 1이 들어가면 0이 나오게 되므로 논리 회로에서 NOT 논리 연산을 수행하는 인버터(Inverter)가 된다.

물론 nMOSFET 하나를 사용한 스위치로도 구성 가능하다. 위 예시를 보면 저항과 nMOSFET을 직렬로 연결했고 저항의 윗단은 전압이 걸려 있다. nMOSFET의 아래 단은 접지되어 있다. In 단자에 0이 들어가서(전압이 걸리지 않아서) nMOSFET이 꺼져 있다면 Out 단자는 저항을 통해서 V_DD 선과 연결되므로 1이라는 상태가 된다. 또 In 단자에 1이 되는 경우(전압이 걸리는 경우)는 nMOSFET이 켜진다. 이때 nMOSFET 스위치의 저항은 위에 달린 저항에 비해서 매우 미미하므로 Out은 아래의 접지와 연결되는 셈이 되어 0이 된다. 이렇게 해서 예시 회로의 경우 In에 0을 넣으면 1이 나오고, 1을 넣으면 0이 나오는 인버터가 되는 것이다.

사실 이렇게 nMOSFET만 사용하는 것은 CMOS 기술을 사용하는 것 대비 장점이 많다. 우선 CMOS 기술은 같은 수의 nMOSFET과 pMOSFET을 사용해야 하므로 한 가지 종류를 사용했을 때와 비교해 단위 소자 수가 두 배다. 물론 저항을 만들어야 하지만 이것은 nMOSFET을 pMOSFET과 같은 웨이퍼에 만드는 복잡함에 비하면 매우 쉬운 일이다.

nMOSFET은 p형 반도체 위에 만들어야 하고 pMOSFET은 n형 반도체 위에 만들어야 한다. 또, 한 웨이퍼에 구성하려면 각각의 MOSFET을 만들기 위해 n형과 p형의 반도체 구역(Well)을 나눠야 한다. 그런데 소스(Source)와 드레인(Drain)을 다른 종류로 만들어야 하므로 도핑 공정도 두 번 해야 하며 각 도핑 공정이 반대 소자에는 영향을 주지 않도록 해야 한다. 그래서 공정 복잡도는 두 배 이상이 된다.

이런 공정의 복잡함에도 불구하고 CMOS 기술이 사용된 이유는 CMOS 기술의 낮은 전력 소모에 있다. 위의 nMOSFET으로 만든 인버터 회로를 보면 In 단자에 1이 들어가서 nMOSFET이 켜졌을 때 V_DD 와 접지가 직접 연결되는 순간이 생긴다. 그때 상당히 많은 전류가 흐른다. 그러나 CMOS 기술의 경우는 nMOSFET이 켜지면 pMOSFET이 꺼지고 pMOSFET이 켜지면 nMOSFET이 꺼진다. 그러므로 V_DD 와 접지가 연결되는 일은 발생하지 않는다. 소모 전력이 nMOS 대비 비교할 수 없을 만큼 줄어든다. 이런 장점으로 CMOS가 nMOS 등 경쟁 기술을 제치고 로직 회로를 만드는 대표 반도체 기술이 된 것이다.

CMOS가 표준이 된 이후 소자 기업 연구의 대부분은 ‘어떻게 이 MOSFET을 더 작고, 빠르게 만드는가’가 전부라고 해도 과언은 아니다. 소자 미세화는 이 두 가지 목표를 동시에 달성하게 해주었다. 우리가 기사에서 자주 접하는 5㎚ 기술 노드(Node)*, 3㎚ 기술 노드 등의 단어는 보다 작고 빠른 스위치를 만들었다는 이야기다.

* 노드(Node) : 소자를 연결하는 회로선이 만나는 점으로 소자 간 간격을 표현할 때 사용

정리하자면, 이번 글에서 하고 싶은 이야기는 폰노이만 구조에서 로직을 처리하기 위해 스위치 소자가 필요했고 그 스위치 소자는 기술 발전에 따라 진공관에서 BJT로, MOSFET으로 변해 왔다는 것이다. 집적도를 증가시켜 제품 부피와 전력을 줄이려는 시스템의 요구가 이러한 변화를 이끌었다. 물론 집적 공정에 따른 비용의 감소, 소자 미세화에 의한 속도 증가도 중요한 요소였다.

현재 우리나라 대학 반도체 연구의 많은 부분이 이러한 대체 소자 연구에 치중되어 있다. 그러한 소자들이 가장 큰 시장인 컴퓨팅에서 MOSFET을 대체하기 위해서는 MOSFET처럼 작게 만들어지고 많은 수의 집적(1,000억/㎠ 이상)이 가능해야 한다. 또한, 더 작은 전력으로 구동돼야 한다. 아울러 10년 이상의 신뢰성을 보여야 하며 100도 이상의 온도에서도 구동할 수 있어야 한다. 아쉽게도 지금까지 이러한 희망을 보이는 대체 소자는 없는 것이 현실이긴 하다. 다음 연재에서는 메모리에 관해 조금 더 자세히 살펴보도록 하겠다.

※ 본 칼럼은 반도체에 관한 인사이트를 제공하는 외부 전문가 칼럼으로, SK하이닉스의 공식 입장과는 다를 수 있습니다.

“회사가 지금의 D램과 낸드플래시 위상을 얻은 건 과거 선배들의 어려울수록 더 강해지는 도전정신이 있었기 때문입니다. CIS 역시 이러한 도전정신을 이어받아 많은 혁신을 이루고 있습니다. 동료들과의 대화에서 항상 많은 것들을 배우고 새로운 아이디어를 얻고 있습니다. 이번 장관 표창은 혼자만의 성과가 아닌 CIS 제품 개발에 참여한 모두가 함께 받은 상이라고 생각합니다.”

SK하이닉스 CIS Platform Design 신민석 팀장이 지난 4월 21일 ‘제56회 과학의 날’을 맞아 진행된 ‘2023년 과학기술진흥 정부포상’에서 과학기술정보통신부장관 표창을 수상했다.

신 팀장은 2012년 6월 SK하이닉스 CIS 사업부에 입사해 10년이 넘는 기간 동안 회사의 CIS* 기술개발을 이끌어왔으며, 사업 영역을 확장하는 데 공헌했다는 평가를 받고 있다. 특히, 4차산업혁명 시대 핵심 기술이 될 것으로 전망되는 ToF* 기술 기반의 3D센서 제품을 개발하고 양산하는 등 미래 먹거리가 될 사업의 근간을 마련했다.

* CIS(CMOS Image Sensor) : 상보성 금속 산화물 반도체(Complementary Metal Oxide Semiconductor, CMOS) 구조를 가진 저소비전력형의 촬상소자로 카메라 폰, 웹 카메라, 의학용 소형 촬영 장비 등 전자 디지털 기기에서 일종의 전자 필름 역할을 한다.

* ToF(Time of Flight) : 3D 카메라를 위한 3차원 거리 측정 기술. 빛이 물체에 반사돼 돌아오는 시간을 기준으로 거리를 측정하는 직접적 ToF와 반사돼 돌아오는 위상 지연(Phase Shift) 차이**를 이용해 거리를 측정하는 간접 ToF가 있다.

** 위상 지연(Phase Shift) 차이 : 원에서 물체로 보낸 빛의 파장과 물체에 반사돼 센서로 돌아온 빛의 파장 사이의 차이

▲ 2023년 과학기술진흥유공자 장관표창 전수식에서 구자균 한국산업기술진흥협회장으로부터 표창장을 수여받는 신민석 팀장 사진과 수상자 단체사진

▲ 2023년 과학기술진흥유공자 장관표창 전수식에서 구자균 한국산업기술진흥협회장으로부터 표창장을 수여받는 신민석 팀장 사진과 수상자 단체사진

지난 5월 2일 서울 양재동 엘타워에서 열린 장관표창 전수식에서 가족의 축하와 함께 표창장을 받은 신 팀장은 “반도체는 많은 전문가가 모여 각자 분야의 첨단기술을 통해 만들어 내는 예술작품과도 같은 것”이라며 “함께 한 많은 동료들의 노력으로 만들어진 성과에 대해 저는 단지 대표로 상을 받은 것뿐”이라고 소감을 전했다.

SK하이닉스의 CIS와 ToF 등 기술 개발을 이끌어 오며, 새로운 성장동력을 만들어 가는 그의 이야기를 뉴스룸이 직접 들어봤다.

이미지센서, 새로운 미래를 보는 반도체

스마트폰 카메라에 사용되는 CIS는 사물에서 반사되어 나오는 빛을 디지털 신호로 변환하는 핵심 센서다. 과거 필름 카메라로 사진을 촬영할 때는 조명이나 렌즈, 필름 등 다양한 도구들이 필요했지만, 이제는 CIS라는 반도체를 통해 간편하게 촬영하고 바로 디지털 정보로 전환해 저장할 수 있다.

▲ 최근 발전된 CIS 기술로 다양한 기능들이 추가되고 있다고 설명하고 있는 신민석 팀장

“최근에 스마트폰 카메라를 통해 손쉽게 활용하는 다양한 기능들이 있는데요. 예를 들면, 100배 줌이라던가, 나이토그래피(야간촬영 모드)와 같은 것들이 그것이죠. 이러한 새로운 카메라 기술들은 CIS를 기반으로 구현할 수 있습니다.”

CIS는 이미지 정보를 디지털 신호로 변환하는 것뿐 아니라 제품이 더 작아지면서 전력 소모를 줄이는 것을 가능하게 한다. 스마트폰과 같은 무선 디바이스의 경우, 한정된 배터리 전력을 통해 수많은 기능들을 구동해야 하므로 각 반도체의 저전력은 선택이 아닌 필수다. 이 때문일까? 신민석 팀장이 SK하이닉스에 처음 입사해 CIS 사업부에서 진행했던 프로젝트 역시 CIS의 노이즈* 개선과 저전력 회로 설계 기술 개발이었다.

* 노이즈(Noise) : 전자공학이나 기계제어 분야에서 기계의 동작을 방해하는 전기신호를 의미한다. 이미지나 영상 등에서는 자글자글한 형태로 보인다.

“4차산업혁명이 진전되면서 자율주행과 인공지능(AI)을 중심으로 하는 로봇 공학이 주목받고 있습니다. 현재의 자율주행에도 CIS를 활용하지만, 가까운 미래에 완전 자율주행을 구현하기 위해 전장(電装) 분야의 이미지센서 수요는 더욱 확대될 것으로 예상합니다. 그리고 로봇공학을 살펴봐도 마찬가지입니다. 보통 사람의 두뇌가 접하는 데이터 중 60% 정도는 시각을 통해 들어온다고 합니다. 사람의 역할을 대신하게 될 로봇 역시 그만큼 시각 데이터의 수집이 중요합니다. 이는 결국 이미지센서를 통해 이뤄지게 될 것이고요. 미래 핵심기술을 구현하기 위해 꼭 필요한 CIS는 추후 성장 가능성이 무궁무진하다고 생각합니다.”

그는 미래 핵심 기술 중 하나로 평가받는 ToF 기반 기술 제품 개발 및 양산화도 이끌고 있다. 3D 카메라를 위한 기술인 ToF는 2D로 구현되는 이미지의 영역을 넘어 실제 사물과의 거리를 측정해 3D 이미지를 구현할 수 있게 하는 기술로 사람의 행동을 인식하거나 얼굴 인증 등의 정밀도를 높일 수 있다.

신 팀장은 ToF 기술은 고객에게 더 양질의 제품을 제공할 수 있고, 제품 포트폴리오의 다양성을 확보할 수 있다고 강조했다.

새로운 것을 향한 도전, “어려웠지만, 보람차”

“SK하이닉스의 D램과 낸드플래시도 현재의 지위에 오르기까지 후발주자로서 힘들었던 시기를 겪었을 것입니다. 과거 선배들의 도전을 통한 기술 개발로 현재의 위치에 올라설 수 있었을 것이고, 지금의 저와 우리 구성원들 역시 이러한 혁신을 위한 도전 정신을 이어받았다고 생각합니다.”

신 팀장은 이미 견고하게 구축돼 있던 CIS 시장에 SK하이닉스는 새롭게 도전하는 후발주자로서 많은 어려움이 있었다며 지난 과거를 회상했다.

“지난 2015년에는 200mm 8M BSI* 제품을 개발해서 시장에 내놓았는데요. 당시 우리가 출시했던 제품은 경쟁사보다 작은 크기로 제작되며, 시장에서 큰 호응을 얻기도 했습니다. 이 제품을 개발하는 과정에서 우리는 한 번도 시도해 보지 않았던 기술들을 적용했습니다. 새로운 기술을 적용하는 과정은 매우 힘들었지만, 우리의 자체 기술이 적용됐다는 점과 이에 따라 시장에서 큰 사랑을 받는 제품이 됐다는 점 덕분에 아주 보람찬 기억으로 남아 있습니다.”

* BSI(Back Side Illumination, 후면 조사형 기술) : 카메라 이미지센서의 빛을 받는 부분을 칩의 최상부에 배치해 배선층에 의한 빛의 난반사를 막고 단위 화소당 빛 흡수율을 높여 광전 효율을 최대화할 수 있도록 하는 기술

8M BSI 제품 이후 신민석 팀장은 2017년부터 16M 제품 개발을 이끌었다. 웨이퍼 2개를 붙여 하나의 센서를 만드는 기술로 상판은 빛을 받는 용도로만 적용하고, 하판에는 받은 빛을 디지털 신호로 전환하는 역할 등 로직의 영역으로 구축해 칩의 크기를 더 작게 만들 수 있었다.

“2017년 당시를 회상해 보면, 후발주자인 우리에게는 어려움이 많았습니다. 이미 시장에는 비슷한 제품들이 나오고 있었는데, 우리는 완전히 처음부터 시작하는 상황이었으니까요. 시행착오도 많았고 연구도 상당히 오래 했던 기억이 납니다. 어렵게 개발했던 제품인 만큼, 지금은 당시에 만들었던 픽셀과 아키텍처들이 후속 제품 개발에 베이스가 돼서 큰 도움이 되고 있습니다.”

신 팀장은 사업을 진행하는 데 시장의 반응이 중요한 요소이지만, 더 나은 제품을 개발하기 위해서는 작은 실패 역시 중요한 자양분이 된다고 설명했다.

“특히 기억에 남는 프로젝트는 당사 최초 300mm 스택 센서 개발하는 데 참여한 것이었습니다. 개발 초창기에 갖은 불량들을 다 만나며 문제를 해결해 나갔습니다. 제품이 큰 성과를 내진 못했지만, 당시 고민해 만들었던 설계 구조와 기술들이 향후 300mm에서 스택 센서를 개발하는 데 밑거름이 되었다고 생각합니다.”

‘혁신’ 혼자선 만들 수 없어

끝으로 신민석 팀장은 본인 스스로가 생각하는 ‘혁신 정신’에 대해 다음과 같이 설명했다.

“혁신은 ‘무에서 유를 창조하는 것’이 아니고 ‘거인의 어깨에 서서 세상을 바라볼 때 만들어 낼 수 있는 것’이라고 생각합니다. 제가 관여했던 당사의 35건의 특허 중 어떠한 것도 무에서 창조한 것은 없습니다. 가장 중요했던 것은 동료들과의 대화였습니다. 우리 SK하이닉스 구성원들을 둘러보면 정말 뛰어난 분들이 많습니다. 저는 동료들과의 대화에서 항상 많은 것들을 배우고 새로운 아이디어를 얻고 있습니다. ‘혁신 정신’이라는 것은 동료들을 존중하고, 경청하는 데서 시작된다고 생각합니다. 이와 함께 문제를 해결해야 한다는 적극적인 관심과 새로운 시도에 대해 두려워하지 않는 자세가 중요하겠죠. 최근 업계의 다운턴 상황으로 많은 어려움이 있지만 우리가 모두 함께하면 충분히 이겨낼 수 있을 것입니다.”

제3시선, 최고가 최고를 만나다

‘제3시선, 최고가 최고를 만나다’는 최고의 ICT 업계 전문가들이 서로의 시선에서 공통의 주제를 이야기하며 세상을 바라보는 새로운 시선을 넓혀가는 연재 콘텐츠입니다. ICT 분야의 최고 전문가와 최고의 ICT 기술을 만들어 내는 SK하이닉스 구성원 간의 만남. 기존 인터뷰 콘텐츠에서 볼 수 없었던 이야기를 만나볼 수 있습니다.

이번 시리즈는 국내 최고의 인공지능 전문가인 정지훈 대구경북과학기술원(DGIST) 겸임교수와 SK하이닉스 구성원(권용기 PL, 김성재 PL, 류동일 TL, 주영표 부사장)들이 만나 미래를 변화시킬 인공지능 기술과 반도체를 주제로 총 4편으로 구성될 예정입니다.

인공지능의 역사와 비즈니스 모델에 살펴본 지난 편에 이어 이번 편에서는 인공지능을 위한 반도체에 대한 이야기를 담았습니다. 상상으로만 가능했던 인공지능이 현실이 될 수 있게 만든 반도체는 무엇일까요? SK하이닉스와 인공지능, 그리고 인공지능 반도체에 대한 본격적인 이야기, 지금부터 시작합니다. (편집자 주)

현실이 된 인공지능, 이를 가능케 한 반도체

인공지능(AI, Artificial Intelligence)은 어떻게 대중적인 기술이 됐을까?

다양한 분야에서 활용되고 있는 인공지능이지만 불과 몇 년 전만 해도 인공지능이라는 기술은 공상과학과도 같았다. SF영화나 소설 속에서만 존재했던 인공지능이 불과 몇 년 지나지 않아 이처럼  다양한 분야에서 널리 사용될 것이라고 예상한 사람은 그리 많지 않을 것이다. 인공지능이 이렇게 빨리 스스로 문제의 답을 찾고 인간의 언어를 사용할 수 있게 된 비결 무엇일까? 이번 대담을 통해 그 답을 찾고자 한다.

우리는 앞선 대담을 통해 인공지능의 시작과 세 차례의 인공지능 붐에 대해 알아봤다. 1950년대 인공지능이라는 개념이 생겨난 이후 머신 러닝(Machine Learning)과 인공 신경망이 주목받는 등 인공지능에 대한 기대감이 컸던 시기가 있었다. 하지만 이 모든 시기에서 인공지능은 기술력 부족, 데이터 부족 등 한계에 부딪히며 침체기를 겪었다.

여러 차례의 침체기에도 불구하고, 오늘날 인공지능이 널리 사용될 수 있도록 만든 주요한 이유는 무엇일까? 정지훈 교수와 SK하이닉스 구성원들은 이에 대해 반도체 등 하드웨어의 발전이 큰 역할을 했다고 입을 모았다. 인공지능의 발전과 대중화를 만들고 있는 반도체에 대한 이야기, 함께 들어보자.

▲ 류동일 TL, 정지훈 교수, 권용기 PL, 주영표 부사장, 김성재 PL(좌측부터)이 인공지능의 발전과 반도체의 발전은 떼어놓을 수 없는 관계라는 이야기를 나누고 있다.

인공지능을 실현할 수 있었던, 기술 ‘반도체’

정지훈 교수 본격적으로 인공지능 반도체에 대한 이야기를 나눠볼까 합니다. 앞서 함께 ‘2022 SK 테크 서밋(이하 테크 서밋)’에서 SK하이닉스가 개발하고 있는 다양한 인공지능 반도체를 살펴봤는데요. 인공지능의 발전과 반도체의 발전이 떼어놓을 수 없는 관계라는 점을 생각해 봤을 때 개인적으로는 SK하이닉스가 개발하고 있는 다양한 제품들은 아주 흥미로웠습니다. 각자 생각하시는 인공지능 반도체에 대한 의견을 말씀해주시겠어요?

권용기 PL 인공지능을 발전시킨 다양한 기술이 있겠지만, 하드웨어 관점에서 접근해본다면 결국 더 많은 데이터를 더 빠르게 처리할 수 있도록 하는 반도체의 발전이 큰 영향을 끼쳤다고 볼 수 있습니다. 방대한 양의 데이터를 학습시키는 머신러닝과 머신러닝의 다양한 방법 중 하나이자 3차 인공지능 붐을 불러온 딥러닝을 구현하기 위해선 더 많은 데이터를 더 빠르게 처리할 수 있는 메모리 반도체는 꼭 필요했습니다.

정지훈 교수 맞습니다. 물론, 우리가 현재 컴퓨터나 스마트폰과 같은 모바일 디바이스에서 사용하는 D램과 낸드플래시가 그대로 인공지능에 사용되는 것은 아니지만, 지금의 인공지능이 구현되기까지 반도체의 발전이 중요했다는 것은 부정할 수 없습니다. 특히 최근에는 그래픽카드의 GPU*등이 빠르게 발전하면서 인공지능 붐을 이끌고 있다는 것만 봐도 인공지능의 발전에 있어 하드웨어가 얼마나 중요한지 알 수 있죠.

* GPU(Graphics Processing Unit) : 초기 GPU는 단순히 CPU의 연산 결과를 그림이나 글자 신호 등으로 변환해 송출하는 보조 부품으로 인식됐지만, 3D(3차원) 게임이 등장하면서부터 3D 그래픽의 전용 프로세서로 개발됐다. 더 빠르고 더 많은 3D 구현을 목적으로 병렬방식의 데이터 처리 성능이 향상되면서 지금은 게임을 넘어 더 많은 영역에서 활용되고 있다.

김성재 PL 그렇죠. 어떻게 보면 우연의 일치일 수는 있겠지만, GPU가 발전하면서 GPU를 활용하는 인공지능도 함께 발전했죠. 실제로 많은 GPU가 인공지능 알고리즘을 구현하기 위해 사용되고 있는 상황이기도 합니다.

주영표 부사장 GPU가 최근 주목받는 이유는 인공지능 알고리즘의 데이터 연산 방식의 영향 때문인데요. 인공지능 연산을 살펴보면, 방대한 데이터에 대한 수많은 계산들을 통해 의미 있는 결론을 도출하는 것이잖아요. 더 빠르게, 보다 정확한 결과를 도출하기 위해 최대한 많은 데이터를 동시에 처리하는 것이 중요하죠. 데이터 처리가 주 역할인 메모리 반도체가 중요할 수밖에 없는 이유입니다.

정지훈 교수 이와 관련해 최근 SK하이닉스에서 GPU의 성능을 끌어올릴 프리미엄 메모리 반도체 양산에 돌입했다고 알고 있는데요. 무엇인가요?

주영표 부사장 올해 중순부터 프리미엄 D럠인 HBM3*를 양산하기 시작했습니다. 해당 제품은 글로벌 GPU 기업인 엔비디아(NVIDIA)에 공급하고 있는데요. HBM은 여러 개의 D램을 수직으로 연결해 기존의 D램 대비 혁신적인 속도향상을 이끌어낸 제품입니다. HBM3는 이전 세대인 HBM2E(3세대)와 비교하면 무려 78%의 성능향상을 이뤄내기도 했죠.

* HBM3(High Bandwidth Memory 3): 4세대 HBM 제품으로 여러 개의 D램을 연결해 기존 D램보다 데이터 처리 속도를 혁신적으로 끌어올렸다.

인공지능 등장으로 변화하는 패러다임

정지훈 교수 앞서 GPU가 주목받는 이유에 대해 잘 설명해 주셨는데요. 사실 인공지능과 관련해 시장에서 GPU에 주목하는 이유는 단순히 빨라진 속도 때문만은 아닙니다. 3차원 그래픽을 연산하는 것과 딥러닝의 연산 구조는 결국은 행렬 연산이 핵심이니까요. 그 덕분에 그래픽을 처리하기 위해 행렬 연산에 특화된 반도체가 발전하게 됐고, 자연스럽게 비슷한 연산 방법을 사용하는 인공지능까지 발전한 것이죠. 농담 삼아 하는 이야기이긴 한데, 게이머들 덕분에 인공지능 혁명이 일어난 것 아닌가 생각이 들기도 합니다.

류동일 TL 정말로 그럴 수도 있겠네요. 인공지능에 대한 기대감이 높아지면서 반도체 분야에서도 새로운 패러다임이 나타나고 있는 것 같아요. 더 많은 데이터를 빠르게 처리할 수 있는 성능향상에 초점을 맞춘 형태와 반도체에 각각의 연산 기능을 담은 형태로 말이죠. 주영표 부사장님이 말씀해주신 HBM3가 혁신적으로 빠른 속도의 D램으로 ‘고성능’에 초점을 맞춘 반도체라면 더욱 넓은 영역에 인공지능을 활용할 수 있도록 만드는 다양한 형태의 ‘인공지능 반도체’가 개발되고 있는 상황입니다.

정지훈 교수 맞습니다. 인공지능이 중요해지면서 최근 ‘인공지능 반도체’라는 표현이 많이 사용되고 있잖아요. 인공지능 반도체라 하면 여러 종류가 있겠지만, 기존 컴퓨팅 시스템이었던 폰 노이만 구조*에서 벗어나 각각의 모듈에 연산 처리 기능을 도입한 반도체들을 예로 들 수 있을 것 같아요.

* 폰 노이만 구조 : 주 기억 장치, 중앙 처리 장치, 입출력 장치 등 3단계 구조로 이뤄진 프로그램 내장형 컴퓨터 구조, 오늘날 사용하고 있는 대부분 컴퓨터의 기본 구조로 나열된 명령을 순차적으로 수행한다. 메모리의 값을 읽고 쓰는 구조이기 때문에 메모리 장치에서 병목현상이 발생한다는 한계가 있다.

류동일 TL 맞습니다. 저희가 개발하고 있는 iCIS 역시 인공지능 반도체를 필요로 합니다. 앞서 설명 드리자면 CIS(CMOS Image Sensor)는 카메라 센서 반도체인데요. 카메라 센서는 인공지능의 발전과 함께 많은 주목을 받고 있는 분야입니다.

정지훈 교수 아무래도 최근 스마트폰이나 CCTV 등을 통한 얼굴인식이나 자율주행 자동차에 사용되는 차량 주변 물체 인식 등 최근 카메라가 활용되는 곳이 아주 많아졌기 때문에 고성능 카메라 센서에 대한 수요도 많아지기는 했죠.

류동일 TL 카메라 센서도 인공지능의 발전과 함께 빠른 속도로 발전하고 있는데요. 기존의 카메라 센서인 CIS에 인공지능 기능을 도입한 iCIS 역시 이런 발전의 일환입니다. 기존 카메라 센서의 경우 단순히 빛을 받아 디지털 신호로 바꿔 이미지를 만드는 기능만 수행했는데요. 저희가 개발하고 있는 iCIS는 카메라 센서 차원에서 인물의 얼굴을 인식한다거나 특정 모션을 분석하는 기능이 탑재된 제품입니다.

사실 ‘카메라 센서에 이런 인공지능 반도체가 왜 필요한가’라는 질문을 받기도 하는데요. 우리가 지금 인공지능을 구동할 GPU를 사용한다고 하면 컴퓨터에 들어있는 그래픽 카드는 아주 거대하거든요. 결국 인공지능을 구현하기 위해 거대한 GPU를 필요로 한다는 것은 인공지능 범용성의 한계로 작용할 것입니다. 이런 한계를 넘어서기 위한 방안 중 하나가 인공지능 반도체이고, 그렇기 때문에 ‘굉장히 작은 칩 안에서 인공지능 기능을 수행하는 iCIS’가 필요한 것이죠.

권용기 PL 아무래도 카메라는 스마트폰에 적용되든 CCTV에 적용되든 더 작고 더 가볍게 만들어야 하기 때문에 iCIS가 더 중요해지는 것이군요. 기존의 카메라처럼 더 좋은 이미지를 촬영하는 것은 기본이고, 이 이미지 데이터를 어떻게 더 스마트하게 처리할 수 있는가? 그리고 이러한 기능을 하면서도 경량화할 수 있는가에 초점이 맞춰져 있는 것이겠군요.

▲ 2022 SK 테크 서밋에서 iCIS 전시 제품을 살펴보고 직접 시연하고 있는 권용기 PL, 류동일 TL, 주영표 부사장, 정지훈 교수, 김성재 PL(좌측부터)

▲ 2022 SK 테크 서밋에 전시된 iCIS 제품

류동일 TL 맞습니다. 그뿐만 아니라 카메라 센서 자체에 인공지능 연산이 가능한 기능을 포함하면 아무래도 센서와 디바이스 사이에서 데이터가 이동해야 하는 일도 줄어들 것이고, 데이터의 이동을 최소화하면서 자연스럽게 저전력 반도체를 구현할 수도 있습니다.

정지훈 교수 인공지능이 방대한 양의 데이터를 처리해야 하는 기술이다 보니 기존의 컴퓨팅 기술로는 분명 한계가 발생하는 것이겠죠. 말씀해주신 iCIS 역시 이러한 이유로 더욱 주목받을 것 같네요. 수없이 많은 이미지 데이터를 연산 장치로 가져와 연산하고 결과를 도출하는 것보다 촬영과 동시에 데이터를 연산하는 것이 아무래도 효율적이니까요. 결국 인공지능 반도체는 각각의 반도체가 각자 연산하는 모습으로 구현되겠네요.

달라진 연산 방법, 인공지능 위해 메모리 반도체도 이젠 연산 필요해

▲ 차세대 메모리 PIM이 적용된 GDDR6-AiM의 뛰어난 기술력과 그 활용 가치에 대해 설명하고 있는 권용기 PL과 이야기를 듣고 있는 정지훈 교수, 김성재 PL

권용기 PL 올해 초 저희가 샘플 개발에 성공한 ‘GDDR6-AiM’ 역시 인공지능 반도체라고 부를 수 있을 것 같습니다. 차세대 메모리 반도체인 PIM*인 GDDR6-AiM(Accelerator in Memory)는 16Gbps의 속도로 데이터를 처리하는 GDDR6* 메모리에 연산 기능을 갖춘 아주 똑똑한 반도체입니다. GDDR6-AiM의 경우 제품명에서 알 수 있듯 그래픽 D램이긴 하지만 개발 단계에서부터 인공지능 응용을 목적으로 개발된 제품으로 GPU뿐 아니라 NPU*에서도 사용이 가능한 제품입니다.

* PIM(Processing In Memory): 메모리 반도체에 연산 기능을 더해 인공지능(AI)과 빅 데이터 처리 분야에서 데이터 이동 정체 문제를 풀어낼 수 있는 차세대 기술
* GDDR(Graphics DDR): 국제반도체표준화기구(JEDEC)에서 규정한 그래픽 D램의 표준 규격 명칭. 그래픽을 빠르게 처리하는 데 특화한 규격으로, 3-5-5X-6 순으로 세대가 바뀌었다. 최근에는 그래픽을 넘어 인공지능, 빅데이터 분야에서도 가장 대중적인 메모리로 주목받고 있다.
* NPU(Neural Processing Unit): 신경망처리장치로, 머신러닝 구동에 최적화된 프로세서. 소프트웨어를 통해 인공신경망을 만들어 학습해야 하는 GPU와 달리 하드웨어 칩 단위에서 인공신경망을 구현하고자 했다.

정지훈 교수 테크 서밋에서 살펴봤던 그 제품이군요. 시연 제품을 보니 GPT-2*를 활용했을 때 일반 CPU와 비교해 2배 이상 빠르게 결과를 도출해내는 것을 확인했는데요. GDDR6-AiM은 어떻게 더 빠른 인공지능 구동에 도움을 줄 수 있는 것인가요?

권용기 PL 높은 대역폭 때문입니다. 보통 우리가 대역폭을 고속도로와 많이 비교하잖아요. 대역폭이 높을수록 차선이 많은 고속도로라고 이야기하는데요. 지금까지의 메모리 대역폭이 1차선 고속도로였다면 GDDR6-AiM은 16차선 고속도로 수준입니다. 동시에 전송할 수 있는 데이터의 수가 기하급수적으로 늘어났으니 당연히 데이터 처리도 빠를 것이고 병목 현상도 줄어들겠죠.

또한, GDDR6-AiM은 각 메모리 뱅크*마다 연산을 수행하는데요. 이로써 내부 대역폭을 활용한 독립적인 메모리 뱅크들의 병렬 연산이 가능해지는 것입니다. 엄청난 혁신이죠. 고속도로 차선이 늘어났다고 하더라도 사람 한 명당 차 한 대씩 타고 고속도로를 이용하면 결국 정체가 생길 수 있잖아요.

하지만 GDDR6-AiM은 각 뱅크에 연산기를 설치해 메모리 차원에서 데이터의 연산을 진행하고 연산이 된 결과 데이터를 묶어 한 번에 전송할 수 있습니다. 고속도로를 이용하는 사람들이 버스를 타고 한 이동하는 것이라고 생각하면 이해가 쉬울 것 같은데요. 모든 사람들이 버스를 타고 이동하면 그만큼 많은 사람이 정체 없이 이동할 수 있듯, GDDR6-AiM 역시 메모리 차원에서 병렬 연산을 통해 한 번에 많은 데이터를 전송하는 것입니다.

* GPT-2(Generative Pre-trained Transformer-2): OpenAI에서 만든 텍스트 생성 딥러닝 인공지능 모델. 제시된 단어를 고려해 다음 단어를 입력하여 문장을 만드는 것을 목적으로 훈련된 모델입니다. 이는 인공지능이 수많은 데이터를 학습하면 다양한 질문과 답변이 가능하여 대화형 인공지능 서비스에 활용됩니다.
* 메모리 뱅크(Memory Bank): 데이터가 프로세서에 지속적으로 전송될 수 있도록 순차적으로 작동하는 메모리 장치 내부의 분할된 구역. 메모리와 연산 장치 사이의 데이터 전송을 빠르게 하기 위해 사용된다.

▲ 2022 SK 테크 서밋에 전시되어 있는 GDDR6-AiM 제품

▲ GDDR6-AiM을 장착한 서버 PC에서 텍스트 생성 딥러닝 인공지능 모델인 GPT-2가 시연되는 모습

정지훈 교수 최대한 많은 데이터를 한 번에 많이 전송할 수 있다는 것이 강점인 것 같군요. 게다가 데이터가 하나씩 개별적으로 이동해 연산하는 것이 아니라 메모리 자체에서 연산할 수 있도록 했다는 점도 훌륭하네요.

주영표 부사장 저희는 조금 다른 관점으로 인공지능에 접근했는데요. 메모리 자체에 연산 기능을 도입하는 것이 아니라 메모리 컨트롤러에 연산 가속 기능을 넣는 쪽을 선택했습니다. 이러한 개발의 결과물이 오늘 함께 살펴본 CXL*과 CMS*입니다. 특히 CMS는 흔히 PNM*이라고 불리는 기술인데요. 이라는 새로운 인터커넥트 기술이 메모리 용량을 유연하게 증가시켜 메모리와 GPU, 인공지능 가속기 등을 모두 탑재할 수 있다는 점에 주목하고, “그들을 하나의 솔루션에 담으면 어떨까?”라고 접근한 것이죠.

CXL 인터페이스를 기반으로 개발한 CMS는 고용량 메모리를 확장할 수 있는 CXL의 장점에 빅데이터 분석이나 머신러닝과 같은 인공지능 분야의 연산까지 제공하기 때문에 인공지능 분야에서도 다양하게 활용될 수 있다고 생각합니다. GPU나 인공지능 가속기들과는 주력 기능이 다르기 때문에, 상호 보완적으로 적용도 가능할 것입니다.

* CXL(Compute eXpress Link): 메모리뿐만 아니라, GPU, AI 가속기와 같은 다양한 솔루션을 보다 효율적으로 통합, 활용할 수 있도록 만들어진 새로운 인터커넥트 기술로 ‘메모리 용량의 유연한 증가’가 장점
* CMS(Computational Memory Solution): 고용량 메모리를 확장할 수 있는 CXL에 빅데이터 분석 응용 프로그램이 자주 수행하는 머신러닝 및 데이터 분석 연산 기능도 함께 제공하는 솔루션
* PNM(Processing Near Memory): 메모리 칩 내부가 아닌 메모리 패키지에 별도의 연산 장치를 넣고 필요한 연산을 수행하는 메모리

▲ 2022 SK 테크 서밋 전시장에 전시되어 있는 CMS에 활용되고 있는 CXL의 기술력과 활용 가치에 대해 설명하고 있는 주영표 부사장

정지훈 교수 PIM 기반의 GDDR6-AiM이 메모리 자체에 연산 기능을 도입한 제품이라면 CMS는 메모리와 연산 장치를 통합한 솔루션이라는 것이군요.

주영표 부사장 네 맞습니다. CXL과 CMS는 PIM과 달리 메모리 연산의 포인트를 데이터의 ‘준비’ 과정에 맞추고 있는 것인데요. 많은 데이터 중 실제로 필요한 데이터만을 뽑아내는 일은 연산 장치 입장에서는 쉽겠지만 굉장히 비효율적인 일이잖아요. 데이터를 하나하나 확인하느라 대부분의 시간을 허비하게 되니까요. 그래서 메모리 차원에서 연산 장치가 필요한 데이터가 무엇인지 미리 찾아준다면, 연산 장치는 더 복잡하고 중요한 연산에 집중할 수 있게 되는 것이죠. 게다가 이러한 구조는 불필요하게 이동하는 데이터를 획기적으로 줄일 수 있는데요. 이는 결국 전력 소비를 절감하는데도 큰 효과를 보일 수 있습니다.

▲ 2022 SK 테크 서밋에 전시되어 있는 CXL

▲ 2022 SK 테크 서밋에 전시되어 있는 CXL을 활용한 솔루션과 CMS

정지훈 교수 이야기를 들어보니 SK하이닉스가 인공지능에 대해 얼마나 진심인지를 다시 한번 느끼게 됐습니다. 지금까지 말씀해주신 제품들 모두 다가올 인공지능 시대를 앞당기거나 인공지능 시대에 아주 중요한 역할을 하게 될 것임을 느낄 수 있었습니다.

특히 더 빠르고 정확한 인공지능을 위해 제품의 성능 향상만 시도하는 것이 아니라, 기존 메모리 제품에 확장성을 부여하거나 새로운 기능을 추가하는 등 다양한 측면에서 개발을 이어 나가고 있다는 점이 인상적이었는데요. 이러한 다양한 접근들로 인해 인공지능 시대를 꽃피우는 SK하이닉스가 됐으면 좋겠습니다.

이번 대담을 통해 우리는 다가오는 인공지능 시대를 준비하는 SK하이닉스의 모습을 살펴봤다. 다양한 종류의 ‘인공지능 반도체’를 개발하고 생산하는 SK하이닉스는 다양한 측면에서의 혁신을 이뤄내고 있었다. 다음 편에서는 지금까지 다루지 못했던 ‘2022 SK 테크 서밋’에 대한 이야기와 인공지능 시대를 선도하기 위한 SK의 노력을 살펴보고자 한다. 인공지능 분야에서도 최초와 최고의 가치를 만들어내고 있는 SK하이닉스의 이야기는 계속된다.

▲ SK하이닉스가 제10회 산학연구과제 우수발명 포상을 실시했다. (오른쪽부터) SK하이닉스 특허 직속 하용수 부사장, 카이스트 김민혁 교수, SK하이닉스 R&D전략기획 김준수 TL

SK하이닉스가 제10회 산학연구과제 우수발명 포상을 실시했다고 2일 밝혔다. 코로나19로 인해 SK하이닉스 담당 조직에서 수상자를 직접 찾아가 상패를 전하는 방식으로 포상식이 진행됐다.

산학연구과제 우수발명 포상은 SK하이닉스의 산학협력 대학교에서 연구과제 수행 중에 출원한 특허 중 우수특허를 선별해 포상하는 제도로, 지난 2013년부터 매년 진행되고 있다.

▲ 제10회 산학연구과제 우수발명 포상에서 최우수상을 수상한 카이스트 김민혁 교수

▲ 제10회 산학연구과제 우수발명 상패

이번 포상에서 최우수상으로 선정된 카이스트 김민혁 교수는 CIS(CMOS Image Sensor) 영상 관련 노이즈를 줄이는 기술을 개발했으며, 이 기술이 실제 제품에 적용될 가능성이 높다는 점에서 좋은 평가를 받았다. 이 밖에 우수상에 한양대 한재덕 교수, 장려상에 서울대 조남익 교수, 경희대 전우진 교수, 성균관대 이동희 교수가 선정됐다.

SK하이닉스는 글로벌 일류 기술기업으로서 반도체 산업 발전에 기여하는 연구자의 사기를 북돋우고 기술 개발을 장려하기 위해 향후에도 산학 간 협력과 우수 연구개발 성과에 대한 포상을 지속해 나간다는 계획이다.